员工在工作场所如何应用人工智能：任务特征与组织文化的影响

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》：How employees appropriate AI in the workplace: Effects of task characteristic and organizational culture

　　摘要• 考察员工如何在初始采纳决策之后进一步占用AI。• 识别出两种AI占用模式：知识转移和知识整合。• 揭示任务特征如何塑造人机协作偏好。• 表明实验型文化强化了情境化的AI占用。• 结合情景实验和定性分析来解释员工对AI的占用。引言人工智能（AI），尤其是生成式AI和大语言模型，正迅速重塑组织工作的性质。与早期主要自动化常规活动的数字技术不同，当代AI系统日益支持问题探索、备选方案生成、决策制定以及其他知识密集型任务（Dwivedi等，2023；Raisch和Fomina，2025；Yokoi等，2026）。因此，组织在AI方面投入了大量资金以提高生产力和加速数字化转型。然而，许多组织仍难以将这些投资转化为有意义的职场成果（Park等，2026；Robertson等，2025；Uren和Edwards，2023）。造成这一挑战的关键原因在于，AI的价值不仅取决于其技术能力，还取决于员工在实践中如何使用它（DeSanctis和Poole，1994）。从社会技术系统的视角来看，技术变革通过技术、人的能动性和组织情境之间的互动而展开（Kompella，2017；Münch等，2022）。引入AI可能打破既有工作流程和任务结构，从而对工作应如何执行以及AI应如何融入现有常规产生不确定性（Fraboni等，2023）。因此，理解员工如何将AI整合到日常工作中，对于实现AI驱动的转型至关重要。技术占用为解决这一问题提供了有用的视角。与将技术使用视为被动采纳不同，占用视角强调用户如何在具体工作实践中主动解释、调整和嵌入技术（DeSanctis和Poole，1994）。这一视角对于生成式AI等先进信息技术尤为重要，因为这些系统高度灵活、互动性强且开放性强，允许员工以不同方式使用它们（Chen和Chan，2024；Dell'Acqua等，2026）。在实践中，员工可以通过至少两种不同的协作模式来占用AI，我们将其称为“知识整合”和“知识转移”。当员工将AI视为额外的认知资源时，就发生了知识整合。他们利用AI来探索问题空间、产生想法，并补充自身专业知识以制定解决方案。当员工将AI视为更独立的问题解决代理时，就发生了知识转移。通过提示、约束和迭代指导，员工将情境理解、专业经验和任务特定知识传达给AI，使其能够产生相关成果。这些模式决定了技术能力如何转化为组织价值。因此，AI技术的影响也受到用户在日常工作中占用方式的影响。尽管组织中对AI的兴趣日益增长，但我们对导致员工以不同方式占用这些协作模式的因素的理解仍然有限（参见表1的概览）。大多数现有研究关注AI采纳而非占用。基于技术接受视角的研究考察了个人感知（Daly等，2025；Irgang等，2025；Zhang和Hao，2025）、组织条件（Patnaik和Bakkar，2024；Yang等，2024）以及社会或情境影响（Yang等，2025）。尽管这些研究为员工为何接受AI技术提供了有价值的见解，但在阐明他们在初始采纳后如何将AI整合到工作中方面仍有所不足。关于AI占用的新兴研究开始解决这一问题，但通常将占用视为整体构念，对AI使用方式的关注有限（Cimino等，2026；Thomas等，2024）。关于人机协作的相关研究识别出不同的使用模式，但往往将其呈现为相对稳定的安排，而非由工作和组织条件塑造的情境化选择（Chen和Chan，2024；Fügener等，2022；Yin等，2025）。因此，我们对员工为何以不同方式占用AI，以及哪些组织条件鼓励他们在这些模式之间转换，知之甚少。为弥补这一空白，我们借鉴社会技术系统理论来考察任务特征和实验型组织文化如何塑造AI占用。任务特征界定了员工面临的问题性质，并影响他们从AI中寻求的认知支持类型（Goodhue和Thompson，1995）。组织文化提供了这些选择得以做出的更广阔背景。特别是，实验型文化——以对学习、适应和试错的开放性为特征——可能鼓励员工探索、完善和定制他们与AI的互动（Liao等，2023）。因此，考察这些因素对员工技术占用的影响，将为AI如何有意义地融入个人工作实践提供细致入微的见解。在本研究中，我们采用了混合方法的实证路径。首先，我们进行了情景实验，以探索任务特征和实验型文化如何影响员工参与知识整合和知识转移。其次，我们对参与者的开放式回答进行了定性分析，以揭示这些组织条件塑造占用选择的潜在机制。这种设计使我们能够评估组织条件是否影响AI占用，以及员工为何以特定方式对这些条件作出反应。因此，本文做出了四项理论贡献。第一，它将关注点从技术采纳转向技术占用，推进了关于AI组织后果的研究，解释了员工如何有选择地结合人机能力来创造价值。第二，它通过引入以任务为中心的视角来扩展技术占用理论，表明分析型任务促进知识转移，而判断型任务鼓励知识整合。第三，它识别了实验型组织文化促进员工占用AI并支持其融入日常工作实践的心理和动机机制。最后，它通过揭示AI驱动组织变革的微观基础，丰富了《Technological Forecasting and Social Change》中与AI相关的文献。章节片段组织中的AI占用在过去三十年中，占用视角已被用于研究社会发展和技术。在此背景下，技术占用指用户与技术的互动、由此产生的技术使用变化以及该使用发生的社会框架（Bar等，2016）。与接受、采纳或使用不同，占用捕捉了一个更广泛且更动态的过程，通过这一过程，用户主动塑造特定技术如何被整合到……（原文截断）研究1：基于情景的实验研究为检验我们的假设，我们进行了一项2（任务特征：分析型vs.判断型）×2（组织文化：高实验型vs.低实验型）的被试间实验。研究2：定性研究混合方法提供了“三角验证”，以提高结果并非由特定数据源或方法的某些人为产物所产生的信心（Jick，1979），并产生丰富解释的机会（Creswell和Creswell，2017）。基于情景的实验提供了客观结果的因果识别，因为它允许在保持所有其他要素不变的情况下操纵单一变量，但无法直接揭示机制。相比之下，……（原文截断）讨论本研究考察了员工如何在工作中占用AI工具，以及组织环境如何塑造这一过程。通过区分AI占用的两种模式，即知识整合和知识转移，我们表明任务特征系统性地影响员工的占用偏好。对于分析型任务，员工更倾向于通过向AI提供相关数据、约束和领域知识来进行知识转移，从而……（原文截断）CRediT作者贡献声明**Zi-Hao Wang：** 写作——初稿，可视化，方法论，正式分析，数据管理，概念化。**Xuan-Hua Xu：** 写作——审阅与编辑，监督，项目管理，概念化。**Yang-Yang Qian：** 写作——审阅与编辑。资助本工作受国家自然科学基金重大项目（No.72293574）、国家自然科学基金项目（No.72301298）、湖南省自然科学基金项目（No.2024JJ6723，No.2024RC3197）、湘江实验室重点项目（No.25XJ02007）以及中南大学研究生自主探索创新项目（No.2026ZZTS0293）资助。利益冲突声明作者未报告潜在的利益冲突。**Zi-Hao Wang** 是中国中南大学商学院管理科学与信息管理专业的博士候选人。他同时也是新加坡管理大学计算与信息系统学院的联合培养博士生。他的研究兴趣包括人机协作、决策支持系统和组织行为。他的研究成果发表在《Technological Forecasting & Social Change》、《Decision Support》等期刊上。Zi-Hao Wang|Xuan-Hua Xu|Yang-Yang Qian